[论文解读] Deep Learning-based Channel Estimation for Beamspace mmWave Massive MIMO Systems

Hengtao He, Chao-Kai Wen+2 more|arXiv (Cornell University)|Feb 5, 2018

Millimeter-Wave Propagation and Modeling参考文献 10被引用 22

一句话总结

本文提出了一种基于深度学习的波束域毫米波大规模MIMO系统信道估计算法，采用基于学习去噪的近似消息传递（LDAMP）神经网络。通过将信道矩阵视为二维图像，并利用大规模训练数据，LDAMP在RF链路数量较少时优于最先进的压缩感知算法，在低测量比下仍能实现高精度，仿真与分析性能框架均验证了其有效性。

ABSTRACT

Channel estimation is very challenging when the receiver is equipped with a limited number of radio-frequency (RF) chains in beamspace millimeter-wave (mmWave) massive multiple-input and multiple-output systems. To solve this problem, we exploit a learned denoising-based approximate message passing (LDAMP) network. This neural network can learn channel structure and estimate channel from a large number of training data. Furthermore, we provide an analytical framework on the asymptotic performance of the channel estimator. Based on our analysis and simulation results, the LDAMP neural network significantly outperforms state-of-the-art compressed sensingbased algorithms even when the receiver is equipped with a small number of RF chains. Therefore, deep learning is a powerful tool for channel estimation in mmWave communications.

研究动机与目标

• 为解决在RF链路受限的波束域毫米波大规模MIMO系统中实现高精度信道估计的挑战。
• 开发一种基于深度学习的方法，从大规模训练数据集中学习信道结构，以提高估计精度。
• 提供一种分析框架，用于在无需大量蒙特卡洛仿真的情况下预测LDAMP网络的性能。
• 在低测量比（即RF链路较少）条件下，展示LDAMP方法的实用性和鲁棒性。

提出的方法

• 将信道矩阵建模为二维自然图像，并通过LDAMP神经网络进行处理，该网络将去噪卷积神经网络（DnCNN）集成到迭代近似消息传递（AMP）框架中。
• LDAMP网络使用学习得到的去噪器，通过迭代方式逐步优化信道估计，每一层基于残差和噪声方差更新估计值。
• 该方法在基于Saleh-Valenzuela模型生成的大规模信道矩阵数据集上，使用随机梯度下降配合Adam优化器进行训练。
• 推导出基于近似消息传递（AMP）状态演化（SE）方程的分析框架，以渐近方式预测网络的均方误差（MSE）性能。
• 训练数据被归一化到[0,1]区间，数据来源于具有四条传播路径和64×64透镜天线阵列的真实毫米波信道模型。
• 性能通过归一化均方误差（NMSE）进行评估，分析的SE方程与仿真结果进行对比验证。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在RF链路受限的波束域毫米波信道估计中超越传统压缩感知算法？
• RQ2 LDAMP网络的性能如何随RF链路数量（即测量比）的变化而变化？
• RQ3 分析状态演化（SE）框架是否能准确预测LDAMP网络性能，而无需依赖耗时的仿真？
• RQ4 训练数据规模和网络架构对LDAMP模型估计精度有何影响？

主要发现

• LDAMP网络在所有测量比下均显著优于最先进的压缩感知算法，包括SD、SCAMPI和D-AMP（含BM3D-AMP）。
• 即使在极低测量比δ = 0.05（仅5%的RF链路）下，LDAMP仍能实现优异的NMSE性能，表明其在极低硬件开销下仍具鲁棒性。
• 分析状态演化（SE）方程能准确预测LDAMP网络的NMSE性能，从而实现无需蒙特卡洛仿真的快速可靠性能评估。
• LDAMP网络在五层内即完成收敛，表明其具有高效率和实时实现的实用性。
• 大规模训练数据使网络能够学习复杂的信道稀疏性和能量集中模式，从而实现更优的去噪与估计精度。
• LDAMP框架具备良好的泛化能力，由于其端到端学习方式，可适用于多种选择性网络和系统配置。